这期最值得记的是一个方法论上的转折。有人教了个发掘用户需求的笨办法：找到用户聚集的地方，把帖子大规模爬下来，全扔给模型总结痛点。以前没人这么干，是因为工作量太大——而工作量大和费脑子，现在都不再是理由了。
麦肯锡这份报告是典型的咨询公司风格——写得漂亮，概念也不错。核心是一个叫 Arena（竞技场）的框架：那些竞争极其激烈、高成长且高动态的领域，构成了未来的核心竞争场，AI 和电商都在其中。
它的论证方式是对比 2005 到 2020 年这些 Arena 领域的年均增长率，用历史数据说明「竞技场」这个类别本身值得单独看待。
OpenAI 在「确保美国在 AI 领域领先」那场会上做了发言，主题就是怎么保住美国的领先位置。
当时的判断很直接：新政府上任后大概率会废除一部分针对 AI 的限制性行政指令，短期内会带来一波快速增长。
这一段的数据在讲 AI 教育时很有参考价值：美国教师平均每周工作 54 小时——在美国算相当辛苦的行业；其中只有一半时间真正花在和学生的互动上（讲课、答疑），剩下的是批卷子、备教案，和国内基本一样。
流动性也很高：约四分之一的教师在考虑离职或转行，大约每五年就会流动一次。
结论提得很好：教育缺的不是「AI 来教你知识」，而是——如果一个学区突然多了几亿美元，能让每个老师都雇上几个助教，那教育质量必然大幅提升。大模型扮演的应该是那几个助教，它让教学变成一份更可持续的职业，而不是把老师干掉。最该发力的两处是差异化学习和主动学习。
有个很实用的流水线：用 Firecrawl 把 Anthropic 官网上所有客户成功案例全部爬下来，然后交给模型逐个处理——
先判断这是不是一个 enterprise AI 案例；是的话再往下分析这家公司是谁、属于什么产业；最后从战略、视野、实施路径几个维度打分，汇总成一份整体报告。
在一个领域做泛泛的商业案例扫描，这套流程能把周期压到极短。而且它只用到了语言能力，很容易迁到别的模型上。对金融机构这类客户，这可以做成一个很基础的敲门砖产品。
举的例子是 SQLite MCP Server：接上之后，Claude Desktop 就能直接访问你本地的数据库。
权限模型是这样的：调用时会弹出提醒问你允不允许访问某个外部 Server——访问控制留在用户手里，所以相对安全。
有人写了篇文章讲怎么找用户需求，方法朴素到有点土：找到你的用户聚集的地方（比如小红书），大规模爬他们发的帖子，全部扔给大模型，让它总结需求和痛点。输出的东西相当有价值。
为什么以前没人这么做？因为太复杂、工作量太大。
但把这个思路转过来就会发现：工作量大不再是问题，需要动很多脑子也不再是问题——这两件事现在模型都能干。顺着这条线想，还有一大堆过去因为「不划算」而没人做的事，现在都重新成立了。
最后一段是同事分享的大模型企业落地情况——来自一线的实际推进状况，而不是厂商口径。这类观察的价值在于：它记录的是「客户真正卡在哪里」，而这些卡点通常不会出现在任何发布会里。